对非平稳信号的识别和分类是当前智能信号处理领域的重要研究课题。时频分析和小波变换是处理非平稳信号的强大工具和有效方法，支撑矢量机是统计学习理论全新的分类学习算法。本文针对非平稳信号分类问题，研究了三个领域的关键技术和方法，并重点研究探讨了它们之间的相互结合与应用。论文的主要内容包括：基于非平稳信号分类的二次时频分布核函数的设计准则研究；基于信号分类的最优小波包基的选择，小波包变换下信号的特征提取和分类研究：支撑矢量算法用于信号分类的改进研究；在分类误差最小前提下，支撑矢量核和时频分布核的联合优化设计；联合SAR图像的小波特征提取和支撑矢量机的分类性能，并将混合方法用于图像分类。 主要工作概述如下： Cohen类时频分布的不同仅体现在核函数形式的选择上，在一定约束条件下，设计使某一测度达到最大值的核函数，是时频分析领域一个重要的研究方向。本文针对信号的精确分类问题，阐述了基于非平稳信号分类的核函数选择和时频表示的距离测度；研究了使不同类信号区别最大化、相同类信号差异最小化的核函数设计准则；在分类误差最小的目标下，提出了提高信号分类精度的对距离测度和核函数联合优化设计方法。针对SAR运动目标回波模型即典型非平稳信号——线性调频信号进行了仿真实验，结果证明了该方法的有效性和可行性。 小波变换具有良好的时频局部特性，特别适合表示信号特征。特别是小波包变换能对信号频域进行全带最优分割，可以提取其它变换所不能提供的非平稳信号的重要特征。本文研究了基于类别可分性准则的最优小波包基的选择，类别可分性准则考虑距离准则和信息熵准则；提出了在最优小波包分解下，信号的特征提取与分类方法。将此方法用于雷达目标一维距离像的分类实验，结果说明本方法可获得较高的信号分类精度。研究了SAR图像斑点噪声的小波特性和根据小波变换有效提取图像特征问题，提出将纹理特征和滤波后灰度特征相结合的SAR图像去噪分类方法。实验结果说明此方法可有效改善SAR图像去噪分类性能。 支撑矢量机是一种有效的分类学习算法，但标准支撑矢量机的求解需要解一个二心能信号分类方法研究次规划问题。本文研究了近似支撑矢量分类算法，近似支撑矢量算法只需求解一个简单的线性方程，因此可以显著提高算法收敛速度。首先利用核的主分量分析方法提取雷达目标一维距离像的特征，然后基于近似支撑矢量机对所提取的特征进行识别，构造了雷达目标分类系统。仿真实验结果说明该方法可以有效地对目标进行分类，并使计算时间大为减少。 仅在时间域或频率域很难实现非平稳信号的分类，变换到时频域或时间尺度域对信号分类有较好的效果，但时频表示对非平稳信号分类存在某些局限性，如高维特征等。将时频表示与支撑矢量算法进行有机结合，可以发挥各自的长处，得到普遍而性能更好的分类算法。支撑矢量机算法中主要是非线性核的选择，Cohen类时频分布的不同也仅体现在核函数参数的选择上，因此本文提出了一种解决非平稳信号分类的混合参数优化设计方法。以分类误差最小为目标，自适应调整支撑矢量核和时频表示核的参数，并对SAR运动目标回波模型—线性调频信号进行仿真实验，实验结果表明这一方法提高了分类精度，改善了分类性能。 SAR图像分类是目前一个研究热点。分类的困难在于特征类型的建立、类别数目的扩展、分类精度的提高等。SAR图像的特征表现在灰度、纹理、颜色、形状、局部和整体等方面，特征提取的好坏是决定分类性能的关键。本文提出了基于小波变换的SAR图像多特征提取方法，考虑小波变换下不同尺度的纹理特征和Hu不变矩形状特征，将稳定特征和局部特征、频域特征和空间特征相结合，并进行了特征融合。针对SAR图像类别数多、特征维数高的情况，本文充分发挥支撑矢量分类的优势，将支撑矢量机与小波变换相结合，进行了纹理图像库的分类仿真实验。实验结果表明了文中方法的有效性，且具有较高的类别识别率。关键词:模式识别，信号分类，时频分析，小波变换，小波包，支撑矢量机，核函数，特征提取，图像分类